【三分钟看懂 PhiZero（上）】AI 不再只猜下一帧：它开始学习一门“物理语言”
上图为根据论文思想生成的概念图：把一段连续运动压缩成离散“物理词”，再用它预测未来变化。
如果给 AI 一张“网球正撞向玩具鸭”的图片，再告诉它“球继续向前滚”，它会生成什么？
普通视频模型可能画出很逼真的球、鸭子和光影，却忘了最重要的一件事：球撞上鸭子之后，鸭子应该动。
这正是当前很多视频世界模型的尴尬：它们越来越会“画”，却不一定真的懂“世界会怎样变化”。
2026 年 7 月 30 日，中国科学院自动化研究所团队发布了预印本 PhiZero: A World Model Built Around Physical Language。这项工作的核心想法很大胆：
不让模型直接从输入画面跳到未来像素，而是先把“世界如何变化”翻译成一串离散符号，完成推理后，再把结果渲染成视频。
作者把这串中间符号称为 Physical Language——物理语言。
一、为什么直接预测像素不够？
一段 4 秒视频包含的信息非常多：物体颜色、纹理、阴影、背景、相机视角、运动轨迹、碰撞结果……如果让一个模型把所有信息混在一起预测，它很容易把大量能力花在“画得像不像”上。
但“视觉上逼真”和“物理上正确”不是同一件事。
例如一个杯子从桌边掉落，视频模型至少要同时处理两类问题：
外观问题：杯子是什么颜色，桌面是什么材质，光从哪里照过来；
变化问题：杯子何时失去支撑，怎样下落，落地后是否翻滚或破碎。
传统做法把这两类问题都藏在高维像素或连续视觉特征中。模型即使生成了正确结果，我们也很难知道：它是真的推断出了“失去支撑→下落”，还是仅仅复现了训练视频里常见的画面模式。
PhiZero 的处理方式，是把两件事拆开。
图源：PhiZero 官方项目页。左侧是人类从视觉经验中抽象规律，右侧是 PhiZero 从公开视频中学习“物理语言”。
二、什么是“物理语言”？
先说结论：它不是“重力”“碰撞”“摩擦”这样的自然语言，也不是写在教科书里的物理公式。
PhiZero 的“物理词”是模型自己从视频中学出来的离散编号。单独拿出一个编号，比如 98 或 72，人类目前并不能直接把它翻译成“向左移动”或“液体飞溅”。
更准确地说，它是一套对状态转移的压缩编码。
你可以把视频想象成一本翻页书：
状态 1 → 状态 2 → 状态 3 → 状态 4 → ……普通视频模型盯着每一页的全部像素；PhiZero 更关心相邻两页之间发生了什么：
静止 → 开始滚动 → 发生碰撞 → 物体倾倒 → 逐渐停止这些变化经过模型压缩和量化后，会变成一串离散 token。论文把一段 33 帧视频编码为 256 个物理语言符号，符号来自一个大小为 25,000 的词表。
这里的“语言”更像计算机内部使用的动作音节，而不是可直接阅读的汉语或英语。
三、最关键的一步：先推理，再渲染
PhiZero 的总体思路可以浓缩为一句话：
Reason then Render：先确定世界怎么变，再决定画面怎么画。
本文重绘：PhiZero 的核心分工。物理语言推理器负责状态转移，扩散解码器负责视觉细节。
整个过程分为两步。
第一步：推理未来的变化
模型看到当前画面，再接收一句动作意图，例如：
“把酒倒进杯子里。”
一个由视觉语言模型改造而来的 Physical Language Reasoner，不会立刻生成视频，而是先自回归预测一串物理语言 token。这串 token 表示接下来几秒内可能发生的状态变化。
第二步：把变化画成视频
随后，预训练视频扩散模型读取三样东西：
当前的第一帧，用来确定人物、物体、背景和外观；
刚刚推理出的物理语言，用来确定运动与状态转移；
扩散模型已有的视觉生成先验，用来补充纹理、光影和细节。
这样一来，中间的物理语言不必记住杯子花纹、桌面材质等全部信息，它可以把有限容量集中在“液体从瓶中流出、进入杯中、液面上升”这些变化上。
用一个不严格但好记的类比：
物理语言像分镜和动作脚本，第一帧像美术设定，扩散模型像摄影与特效团队。
四、这门语言是怎么学出来的？
有意思的是，团队没有给公开视频逐段标注“这里发生碰撞”“那里受到重力”。物理语言主要通过自监督视频重建学得。
训练时，模型先把完整视频压缩成一串离散符号；然后只给解码器第一帧和这串符号，要求它尽量还原原视频。
如果符号没有记录关键变化，解码器就无法正确重建后续内容。随着训练进行，这套离散词表会逐渐学会承载“世界如何演化”的信息。
这里有两个聪明的设计。
1. 第一帧负责外观
第一帧没有被破坏，直接交给解码器。因此，物理语言没有必要重复记录静态背景、物体颜色等内容，更容易专注于变化。
2. 先用纯噪声“断掉捷径”
预训练扩散模型本身很强，训练初期可能不认真读取新加入的物理语言，仅靠带噪目标和旧有先验猜视频。作者因此加入 pure-noise warm-up：先把未来帧潜变量完全变成噪声，逼迫解码器依赖第一帧和物理语言完成重建。
这有点像考试时把参考答案彻底收走，模型才不得不认真看题。
五、为什么这件事值得关注？
“先推理变化、再渲染像素”的价值，不只在于生成视频更符合物理直觉。
1. 同一段运动可以换一个外观
如果物理语言真的记录“怎么动”，而不是“长什么样”，那么同一串 token 就可以配合新的第一帧重新渲染。
论文展示了一个很直观的实验：先从人类动作视频中提取物理语言，再把第一帧中的人替换成 Unitree G1 人形机器人，模型可以生成机器人执行相似运动的视频；把人手替换成灵巧手，也能迁移手部运动。
2. 它可以成为控制接口
车辆轨迹、机械臂动作或连续的交互指令，都可以先转成物理语言，再渲染成未来视频。相比直接把控制信号映射到像素，中间多了一层专门描述状态变化的接口。
3. 生成与理解使用同一套表示
PhiZero 不只能生成视频。面对一真一假的两段视频，它还可以分别编码成物理语言，计算哪个序列在当前画面和条件下更“可能”，从而判断哪段更符合物理或因果规律。
这意味着它不是单纯的视频生成器，而在尝试把生成、理解和控制放进同一套状态转移表示中。
六、先别把“物理语言”理解得太神
PhiZero 的方向很有启发性，但需要划清三条边界。
第一，它学到的是经验性的离散表示，不是牛顿定律、动力学方程或可验证的符号物理系统。
第二，它主要从可见视频中学习。触觉、受力、材料内部变化、微观粒子运动等看不见或视觉上含糊的现象，仍然很难仅靠视频建模。
第三，论文中的“零样本跨本体迁移”是生成视频中的运动重定向。它证明了状态转移表示具有可迁移性，但还不能等同于真实机器人已经获得可安全执行的控制策略。
因此，更准确的评价是：
PhiZero 还没有学会一套可读、可证明的物理定律，但它找到了一种把“世界如何变化”从像素中单独抽出来的办法。
上篇小结
如果只记住三句话：
传统视频世界模型直接预测未来画面，视觉生成与物理变化容易混在一起；
PhiZero 把状态转移压缩成离散“物理语言”，先推理 token，再渲染视频；
这套中间表示让生成、理解、控制和运动迁移有机会共享同一接口。
下篇我们继续拆开模型内部，回答四个更具体的问题：
33 帧视频为什么会变成 256 个符号？
Transition-level Q-Former 和 FSQ 分别在做什么？
50K 小时视频是怎样筛成训练数据的？
论文的实验到底证明了什么，又没有证明什么？
资料来源
Shuyao Shang, Yuqi Wang, Ruopeng Gao, et al. PhiZero: A World Model Built Around Physical Language. arXiv:2607.28624v1, 2026.
本文基于论文 v1 与项目页撰写。论文发表于 2026 年 7 月 30 日；截至 2026 年 8 月 2 日，项目页仍标注代码即将发布。